今年最火的商业分析专业，大家该如何去丰富自己的背景呢？今天小启总结了一些经验，大家一起来看看吧~

又是一年申请季，今天我们来聊一聊这些年热门的商业分析专业，申请人该怎么去丰富自己的背景。

基于前面三个cases的data， 我们来走一个仿的商业分析流程。（注意：现实中商业分析的data往往是海量的，会涉及编程，算法建模和可视化等硬核技术操作。原谅我不会用Python也不会算法， 所以这里只能做做文本分析。）

从这三个案例， 我们不能得出“有同样的硬件、专业背景和软性背景，我们就一定能获得同样的录取“ 这样粗暴的结论， 但我们可以发现这三位同学软性背景里的共性：和数据分析相关的科研或者实习， 而且在质量有保障的情况下， 多段经历优势会更明显。这就是我们通常所说的数据insight。有了这个insight作为指导, 接下来decision环节该怎么做就清晰明了许多。

当我们以更直观的柱状图对三位同学的背景进行量化和可视化的呈现后，不难看出在GPA、GRE和TOEFL适配的情况下，我们录取到MIT的同学在科研上有更深入和多的投入以及产出：美本本校的三段RA（DS/STAT/Computing），同时，这位同学的实习是在高盛完成的量化分析。在量和质以及综合性上都比另两位同学更胜一筹。

事实上，启德往年大量的商业分析录取案例是支撑我们来做这样的分析和推测的强有力的后盾。也希望通过这样的一个思考和分享，抛砖引玉，让同学们能够对于接下去要如何做好自己的背景提升（Decision）有一个更清晰的认知。

既然Decision告诉我们要找数据分析相关的实习或科研，那么问题来了，去哪里找？找怎样的岗位？big name还是小公司？互联网还是随便哪个行业？ 

我们从两个层面来看这些抉择：基于数据和基于业务。前者是有数据， 但不知道有什么商业价值或者说价值不明朗， 所以需要运用工具和技术去探索和挖掘这堆数据背后的意义， 从而实现或增加商业价值；后者是有具体的需求（商业问题）， 但没数据或者说也有数据但不知道怎么做， 这时候就需要通透地审题， 基于挖掘商业价值的需求， 根据这个需求去找数据并对进行相应的分析， 从而支持决策最终实现价值。 

互联网的企业， 一般不缺数据， 也有人力和技术去对这些数据进行挖掘从而发现商业价值， 相关部门在领域内也一般比较成熟和体系， 所以互联网企业肯定是可以的选择。譬如我们日常生活中反复会接触到的各种推荐：阿里-淘宝，网易-云音乐，腾讯-朋友圈等等，背后都是基于强大的数据分析驱动的商业价值挖掘。

那么没有数据或者数据不是那么可观的小企业可以不可以？可以的， 前提是他们对数据分析有具体的业务需求， 同时也在做这方面的架构。这个时候进入公司， 是有机会深入全面地参与到各个环节， 甚至是重要的环节比如算法和建模以及编程去实现。无论是到大厂搬砖做一颗螺丝钉还是到无名做一个技术骨干，都是可行的。通常情况下，具体做的事情优于公司的名气， 当然，能二者兼有自然更好。 

但实习和科研的时间安排可能是很多同学的困扰。前面已经推导过多段相关经历是优于一段的，那这里就会有一个时间合理分布的问题。通过自己努力一击即中一段优质的实习或科研，一般还是有难度的，大多数情况下，都会有一个由浅入深的积累。科研可以放在学期中，语言备考和实习一般是建议安排在寒暑假。那刨掉用来备考语言的寒暑假，可以用来做实习的时间本身就不多，也就意味着我们要尽早合理规划自己的申请，做好每个阶段的储备。真的是早规划，早收获。

这里延伸讲讲我们商业分析的课程。从数据角度讲， 我们需要具备对数据进行处理的的基本能力，包含编程，算法和统计知识。商科背景的学生往往在这块会相对弱， 所以要尽早开始修相关课程， 并且一步步升级到高阶课程。从业务角度讲，是否能理解或提出有价值的商业问题，也很关键。那从数学/统计/计算机/工程等专业转申的学生， 就需要在这方面重点去弥补一下。

申请商业分析，相关课程的数量够不够， 质量够不够， 真的很重要。如果我们课程质量够硬， 即便成绩单或者课程名无法突出这点，我们还可以通过额外提供一份详细的核心课程syllabus来进一步说明我们的竞争力。

在追逐女神校的路上，真的需要我们有步步围剿的决心和执行力。所以，小朋友们，早点儿行动起来！